CN110399563A - 一种基于用户行为分析的偏好模型及个性化信息主动推荐方法 - Google Patents
一种基于用户行为分析的偏好模型及个性化信息主动推荐方法 Download PDFInfo
- Publication number
- CN110399563A CN110399563A CN201910717397.9A CN201910717397A CN110399563A CN 110399563 A CN110399563 A CN 110399563A CN 201910717397 A CN201910717397 A CN 201910717397A CN 110399563 A CN110399563 A CN 110399563A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- preference pattern
- preference
- keyword
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于用户行为分析的偏好模型，该模型通过用户信息获取、分析抽取关键词建立特征向量矩，采用基于向量的空间表示法建立神经网络用户偏好模型并利用机器学习算法进行模型优化、完善；在此优化的模型基础上感知用户偏好信息，根据地理要素属性结合云模型对协同过滤推荐技术建立信息评分矩阵进行补充，计算评分相似性simrate＝(i,j)和属性相似性simattr＝(i,j)，获得最终相似性sim(i,j)并以此为依据选择用户偏好信息进行主动推荐。本申请技术方案所建立的偏好模型更为用户的喜好行，信息推荐中改进了协同过滤推荐方法，提高了推荐的准确性，对个性化信息推荐算法的发展具有实际意义。
Description
技术领域
本发明属于网络信息只能筛选及个性化服务技术领域，特别是涉及在当今不同用户对网络信息获取高度自由化，倾向性日益复杂变化的环境情况下，建立基于用户行为分析的偏好模型，并利用该模型进行不同用户喜好的个性化信息主动推荐方法。
背景技术
网络信息服务和提供是指信息服务机构为满足用户对不同信息的需求，通过计算机网络获取并加工、整理信息产品并予以提供和服务的总称，它包括信息内容的获取过程、加工处理过程、信息内容的提供、信息内容的存储与获取、网络信息增值服务、信息咨询服务等方面。通过网络信息服务已经成功商业模式选择和推广中的一个重要依据。目前商业上已经成熟的网络信息推送方式包括:在线广告、在线购物、上传、下载以及搜索引擎等。其中，(1)在线广告，以前通常设置在网页界面上的某个固定位置，当需要广告播放时，按照预先设定的清单到网络服务器取广告数据，并且每天按照一定的设定播放规则来进行播放。这种推送广告信息的方式并没有用户区别，对于每个用户所推送的信息都是一致的，并不能反映出不同用户浏览广告产品的偏好，更不能根据偏好选择广告类型的；但随着大数据技术的发展，现在的网络广告插件会收集用户的浏览信息，并根据用户信息的偏好程度选择用户偏好的广告进行播出；(2)原有的在线购物信息，通常用户按照网站预设定的类别进行逐级的选择，自主地寻找喜欢的物品然后支付购买；或者按照所有产品的热度、经典度、最新到货等信息做成概率上顾客易接受的推荐产品；但现在的在先购物信息的排列方式需要根据不同的喜好对销售产品进行有限级排序和展示，用户选择时更直接、简便；(3)搜索引擎，原有的搜索技术中仅仅是利用概率论对搜索关键词进行排序，推送信息的排序并没有关注使用者的个体属性和行为；但现有的搜索引擎会根据用户原有的搜索喜好筛选出该用户喜好的关键词。上述技术中，都通过引入用户个人喜好进行信息的排序，并根据排序前后给用户予以推送。为了实现上述用户喜好信息化的获取必须首先通过用户信息大数据建立不同用户的喜好模型，在根据喜好模型进行信息的筛选和推送。因此，如何建立一个高效，准确的用户偏好模型是实现用户个性化信息筛选的前提和基础。在根据此模型对需要推送的信息选择合适的推荐方法进行推荐，以使推荐的信息更接近用户的个人倾向性偏好。现有的信息推荐方法包括：基于内容推荐、协同过滤推荐、基于关联规则推荐、基于效用推荐、基于知识推荐和组合推荐。其中，协同过滤推荐技术在个性化推荐系统中应用最广，是当前最成功的推荐技术之一。通过对于用户访问记录的分析与用户偏好模型的建立，完成用户偏好的感知并实现内容的主动推动，从而达以空间数据的主动服务目标。但由于用户对新信息的评分矩阵极端稀疏，传统的协同过滤推荐算法经常出现相似性度量方法结果不准的问题，导致推荐信息质量不高。
本申请的技术方案基于用户行为分析的大数据获取，利用神经网络和机器自主学习算法建立偏好模型，并以此模型为基础借助地理要素属性和云模型的数据填充方法，对稀疏的评价矩阵通过云模型数据填充进行补充，通过动态加权得到新的信息相似性，实现结合基于地理信息推荐算法生成协同过滤推荐，以提高推荐的准确性。
发明内容
本申请为实现上述高准确性的用户偏好模型及高效、准确的基于地理信息的协同过滤推荐方法，采用了如下技术方案：一种基于用户行为分析的偏好模型，该模型的构建方法为：
(1)对用户的网站访问行为进行统计、分析获得但不限于下述参数：(a)用户来源信息；(b)用户在各网站访问信息；(c)注册和非注册用户的访问区别信息；(d)用户使用的搜索引擎的工具信息；(e)用户访问热点分布信息；(f)用户访问的时间段信息；(g)用户访问中的网页显示配置信息；这里的用户来源信息包括但不限于用户的来源地区、来路域名和页面信息；用户在各网站访问信息包括但不限于用户在网站的停留时间、跳出率、回访者、新访问者、回访次数、回访相隔天数；注册和非注册用户的访问区别信息包括但不限于注册和非注册用户的浏览习惯；用户使用的搜索引擎的工具信息包括但不限于用户所使用的搜索引擎、关键词、关联关键词和站内关键字；用户访问热点分布信息包括但不限于网页热点图分布数据和网页覆盖图数据；用户访问的时间段信息包括但不限于用户在不同时段的访问量；用户访问中的网页显示配置信息包括但不限于用户对于网站的字体、颜色的喜好。该步骤的核心目的在于进行用户行为分析，就是获得用户网站访问量的基本数据，为后续对有关数据进行统计、分析，从中发现用户访问网站的规律，并将这些规律与推送策略等相结合提供数据基础，这些数据通常是在用户进行网站访问中浏览器自动提取、存储的数据信息，数据量的大小决定了后续建立、分析模型的准确性。
(2)在步骤(1)的参数中提取关键词，建立关键词构成的特征向量矩阵这里u表示用户，n表示向量个数；表示其中的一个特征向量,其表述为 attrk代表一个关键词，wk该关键词相应的权重，其指明了用户对attrk的感兴趣程度，m表述关键词的个数；这里所提取关键词是从所构成的文档中根据权重提取出的关键词。合适的用户偏好模型表示方法可以大大提高系统的运算速度和服务质量，现有的用户偏好模型表示方法有主题表示法、Bookmark表示法、基于向量空间模型的表示法等，由于本申请技术方案采用了基于向量空间模型的表示法，向量的构建和选择就是建模的第一步，根据用户特征向量建立用户偏好模型并通过模型进行用户行为预判并根据用户的实际选择对于偏好模型进行不断修正与优化。
(3)利用(2)的特征向量采用基于向量的空间表示法建立用户偏好模型；
(4)根据用户的网站访问实际选择与偏好模型比对，优化调整权重及关键词向量，获得修正完善后的偏好模型。初始建立的偏好模型是不完善的模型，必须通过和实际数据的比对，进行模型优化过程，其核心就是调整和优化各个向量的权重，为了提供优化的效率和准确性，本申请中的模型采用神经网络构建，通过输入信息开始进行神经网络的机器学习自主优化过程，经过2-3代的学习及可以满足需求的模型参数。
经过上述步骤后，通过用户上网浏览行为的信息分析，采用基于向量的空间表示法构建神经网络的偏好模型，再通过机器学习完成模型的优化和调整，实现了用户信息个性化推送的基础，为后续的个性化信息筛选提供了基础。
利用上述的偏好模型，本本申请还提成了个性化信息的主动推荐方法，该方法包括步骤如下：
(a)根据用户的网站访问信息，通过特征向量矩阵建立、训练获得基于用户行为分析的偏好模型；
(b)通过(a)步的偏好模型感知获得用户偏好信息；
(c)对(b)步的用户偏好信息利用协同过滤推荐技术建立信息评分矩阵；由于此步骤所建立的信息评分矩阵是矩阵元极端稀疏的稀疏矩阵，传统的协同过滤推荐算法使用中就会出现相似性度量结果不准的问题，导致推荐信息质量不高，为此本申请提出了对矩阵利用地理要素属性结合云模型进行数据填充，即下步；
(d)根据用户偏好模型的地理要素属性结合云模型进行稀疏的信息评分矩阵进行数据填充，上述的基于地理要素属性、云填充的混合方法，通过计算地理要素的相似性、信息的相似度以及用户对这些信息的兴趣度，能够得到推荐度值最高的若干信息对用户进行推荐。
(e)对填充后的信息评分矩阵计算任意两个矩阵元i和j的评分相似性simrate＝(i,j)和属性相似性simattr＝(i,j)，再求出i和j的最终相似性sim(i,j)；最终相似性计算方法为：sim(i,j)＝λsimattr(i,j)+(1-λ)simrate(i,j)，λ为加权因子，动态调整。
(f)根据(e)的最终相似性选择用户偏好信息进行主动推荐。
本申请的信息主动推荐方法中，首先利用了经过机器学习的神经网络偏好模型，保证了推荐信息首次筛选的个性化，在将该输出信息利用基于地理要素属性、云填充的混合方法进行完善和补充，增加信息矩阵的特征，结合相似度计算获得最终的推荐结果，该方式在推荐模型、推荐方法上都实现了改进，提供了用户信息主动推荐的个性化准确性，为信息主动推荐算法的发展提供了借鉴。
具体实施方式
以下结合实施例对本发明作出进一步的说明。
为了实现实现个性化信息主动服务，首先要进行用户偏好模型的建立，而建立任何一个模型的基础是数据信息基础，因此，本技术方案首先(1)对用户的网站访问行为进行统计、分析获得但不限于下述参数：(a)用户来源信息；(b)用户在各网站访问信息；(c)注册和非注册用户的访问区别信息；(d)用户使用的搜索引擎的工具信息；(e)用户访问热点分布信息；(f)用户访问的时间段信息；(g)用户访问中的网页显示配置信息；这里的用户来源信息包括但不限于用户的来源地区、来路域名和页面信息；用户在各网站访问信息包括但不限于用户在网站的停留时间、跳出率、回访者、新访问者、回访次数、回访相隔天数；注册和非注册用户的访问区别信息包括但不限于注册和非注册用户的浏览习惯；用户使用的搜索引擎的工具信息包括但不限于用户所使用的搜索引擎、关键词、关联关键词和站内关键字；用户访问热点分布信息包括但不限于网页热点图分布数据和网页覆盖图数据；用户访问的时间段信息包括但不限于用户在不同时段的访问量；用户访问中的网页显示配置信息包括但不限于用户对于网站的字体、颜色的喜好。该步骤的核心目的在于进行用户行为分析，就是获得用户网站访问量的基本数据，为后续对有关数据进行统计、分析，从中发现用户访问网站的规律，并将这些规律与推送策略等相结合提供数据基础，这些数据通常是在用户进行网站访问中浏览器自动提取、存储的数据信息，数据量的大小决定了后续建立、分析模型的准确性。在积累了上述信息的大数据基础上，从该数据文档文件中开始提取关键词，建立关键词构成的特征向量矩阵 这里u表示用户，n表示向量个数；表示其中的一个特征向量,其表述为attrk代表一个关键词，wk该关键词相应的权重，其指明了用户对attrk的感兴趣程度，m表述关键词的个数；并将关键词特征向量利用采用基于向量的空间表示法建立用户偏好模型；最后根据用户的网站访问实际选择与偏好模型比对，优化调整权重及关键词向量，获得修正完善后的偏好模型。为了提供优化的效率和准确性，本申请中的模型优化采用神经网络构建，通过输入信息开始进行神经网络的机器学习自主优化过程，经过2-3代的学习及可以满足需求的模型参数。
利用上述的偏好模型，可以实现个性化信息的主动推荐，让仍然存在不准确的缺陷，为此本申请对现有的协同过滤推荐方法进行了补充和改进，其步骤如下：
(a)根据用户的网站访问信息，通过特征向量矩阵建立、训练获得基于用户行为分析的偏好模型；
(b)通过(a)步的偏好模型感知获得用户偏好信息；
(c)对(b)步的用户偏好信息利用协同过滤推荐技术建立信息评分矩阵；由于此步骤所建立的信息评分矩阵是矩阵元极端稀疏的稀疏矩阵，传统的协同过滤推荐算法使用中就会出现相似性度量结果不准的问题，导致推荐信息质量不高，为此本申请提出了对矩阵利用地理要素属性结合云模型进行数据填充，即下步；
(d)根据用户偏好模型的地理要素属性结合云模型进行稀疏的信息评分矩阵进行数据填充，上述的基于地理要素属性、云填充的混合方法，通过计算地理要素的相似性、信息的相似度以及用户对这些信息的兴趣度，能够得到推荐度值最高的若干信息对用户进行推荐。
(e)对填充后的信息评分矩阵计算任意两个矩阵元i和j的评分相似性simrate＝(i,j)和属性相似性simattr＝(i,j)，再求出i和j的最终相似性sim(i,j)；最终相似性计算方法为：sim(i,j)＝λsimattr(i,j)+(1-λ)simrate(i,j)，λ为加权因子，动态调整。
(f)根据(e)的最终相似性选择用户偏好信息进行主动推荐。
本申请发明的整体方案从偏好模型建立、推荐方法选择和补充等方面实现了改进和突破，特别是利用利用基于地理要素属性、云填充的混合方法进行推荐方法上的创新，增加了信息矩阵特征，通过结合相似度计算获得最终的推荐结果，在推荐准确性上获得了提高。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于用户行为分析的偏好模型，其特征在于，该模型的构建方法为：
(1)对用户的网站访问行为进行统计、分析获得但不限于下述参数：(a)用户来源信息；(b)用户在各网站访问信息；(c)注册和非注册用户的访问区别信息；(d)用户使用的搜索引擎的工具信息；(e)用户访问热点分布信息；(f)用户访问的时间段信息；(g)用户访问中的网页显示配置信息；
(2)在步骤(1)的参数中提取关键词，建立关键词构成的特征向量矩阵这里u表示用户，n表示向量个数；表示其中的一个特征向量,其表述为 attrk代表一个关键词，wk该关键词相应的权重，其指明了用户对attrk的感兴趣程度，m表述关键词的个数；
(3)利用(2)的特征向量采用基于向量的空间表示法建立用户偏好模型；
(4)根据用户的网站访问实际选择与偏好模型比对，优化调整权重及关键词向量，获得修正完善后的偏好模型。
2.根据权利要求1所述的基于用户行为分析的偏好模型，其特征在于，步骤(1)中，用户来源信息包括但不限于用户的来源地区、来路域名和页面信息；用户在各网站访问信息包括但不限于用户在网站的停留时间、跳出率、回访者、新访问者、回访次数、回访相隔天数；注册和非注册用户的访问区别信息包括但不限于注册和非注册用户的浏览习惯；用户使用的搜索引擎的工具信息包括但不限于用户所使用的搜索引擎、关键词、关联关键词和站内关键字；用户访问热点分布信息包括但不限于网页热点图分布数据和网页覆盖图数据；用户访问的时间段信息包括但不限于用户在不同时段的访问量；用户访问中的网页显示配置信息包括但不限于用户对于网站的字体、颜色的喜好。
3.根据权利要求1所述的基于用户行为分析的偏好模型，其特征在于，步骤(1)中的参数构成文档，步骤(2)提取关键词是从所构成的文档中根据权重提取出的关键词。
4.根据权利要求1所述的基于用户行为分析的偏好模型，其特征在于，步骤(4)的偏好模型修正过程采用神经网络算法进行模型参数的修改、调整。
5.一种利用权利要求1所述基于用户行为分析的偏好模型实现个性化信息主动推荐方法，其特征在于，该方法包括步骤如下：
(a)根据用户的网站访问信息，通过特征向量矩阵建立、训练获得基于用户行为分析的偏好模型；
(b)通过(a)步的偏好模型感知获得用户偏好信息；
(c)对(b)步的用户偏好信息利用协同过滤推荐技术建立信息评分矩阵；
(d)根据用户偏好模型的地理要素属性结合云模型进行稀疏的信息评分矩阵进行数据填充；
(e)对填充后的信息评分矩阵计算任意两个矩阵元i和j的评分相似性simrate＝(i,j)和属性相似性simattr＝(i,j)，再求出i和j的最终相似性sim(i,j)；
(f)根据(e)的最终相似性选择用户偏好信息进行主动推荐。
6.根据权利要求5所述的基于用户行为分析的偏好模型实现个性化信息主动推荐方法，其特征在于，步骤(c)所建立的信息评分矩阵是矩阵元极端稀疏的稀疏矩阵。
7.根据权利要求5所述的基于用户行为分析的偏好模型实现个性化信息主动推荐方法，其特征在于，最终相似性sim(i,j)＝λsimattr(i,j)+(1-λ)simrate(i,j)，λ为加权因子，动态调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910717397.9A CN110399563A (zh) | 2019-08-05 | 2019-08-05 | 一种基于用户行为分析的偏好模型及个性化信息主动推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910717397.9A CN110399563A (zh) | 2019-08-05 | 2019-08-05 | 一种基于用户行为分析的偏好模型及个性化信息主动推荐方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110399563A true CN110399563A (zh) | 2019-11-01 |
Family
ID=68327450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910717397.9A Pending CN110399563A (zh) | 2019-08-05 | 2019-08-05 | 一种基于用户行为分析的偏好模型及个性化信息主动推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110399563A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111143694A (zh) * | 2019-12-31 | 2020-05-12 | 沈阳航空航天大学 | 一种情报推送方法、装置及存储设备、程序 |
| CN111209477A (zh) * | 2019-12-31 | 2020-05-29 | 广州市百果园信息技术有限公司 | 一种信息推荐的方法及装置、电子设备、存储介质 |
| CN111432003A (zh) * | 2020-03-27 | 2020-07-17 | 尹兵 | 应用于云计算的数据推送方法、装置、电子设备及系统 |
| CN112507230A (zh) * | 2020-12-16 | 2021-03-16 | 平安银行股份有限公司 | 基于浏览器的网页推荐方法、装置、电子设备及存储介质 |
| CN114048389A (zh) * | 2022-01-11 | 2022-02-15 | 山东捷瑞数字科技股份有限公司 | 一种面向工程机械行业的内容推荐方法及系统 |
| CN114098515A (zh) * | 2020-08-26 | 2022-03-01 | 宁波方太厨具有限公司 | 一种清洁机器人的清洁策略控制方法及清洁机器人 |
| CN114417174A (zh) * | 2022-03-23 | 2022-04-29 | 腾讯科技（深圳）有限公司 | 内容推荐方法、装置、设备及计算机存储介质 |
| CN114579872A (zh) * | 2022-05-09 | 2022-06-03 | 达而观数据(成都)有限公司 | 一种引入用户喜好序列分析的用户协同过滤推荐方法 |
| WO2023130837A1 (zh) * | 2022-01-10 | 2023-07-13 | 华南理工大学 | 面向科研应用的自动机器学习实现方法、平台及装置 |
| CN116595142A (zh) * | 2023-05-19 | 2023-08-15 | 大安健康科技(北京)有限公司 | 基于医疗语义分析的检索匹配方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104166668A (zh) * | 2014-06-09 | 2014-11-26 | 南京邮电大学 | 基于folfm模型的新闻推荐系统及方法 |
| CN105868334A (zh) * | 2016-03-28 | 2016-08-17 | 云南财经大学 | 一种基于特征递增型的电影个性化推荐方法及系统 |
| US20170147721A1 (en) * | 2014-05-12 | 2017-05-25 | Hewlett Packard Enterprise Development Lp | Generating a model based on input |
-
2019
- 2019-08-05 CN CN201910717397.9A patent/CN110399563A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170147721A1 (en) * | 2014-05-12 | 2017-05-25 | Hewlett Packard Enterprise Development Lp | Generating a model based on input |
| CN104166668A (zh) * | 2014-06-09 | 2014-11-26 | 南京邮电大学 | 基于folfm模型的新闻推荐系统及方法 |
| CN105868334A (zh) * | 2016-03-28 | 2016-08-17 | 云南财经大学 | 一种基于特征递增型的电影个性化推荐方法及系统 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111209477A (zh) * | 2019-12-31 | 2020-05-29 | 广州市百果园信息技术有限公司 | 一种信息推荐的方法及装置、电子设备、存储介质 |
| CN111143694A (zh) * | 2019-12-31 | 2020-05-12 | 沈阳航空航天大学 | 一种情报推送方法、装置及存储设备、程序 |
| WO2021135701A1 (zh) * | 2019-12-31 | 2021-07-08 | 百果园技术(新加坡)有限公司 | 一种信息推荐的方法及装置、电子设备、存储介质 |
| CN111143694B (zh) * | 2019-12-31 | 2023-06-16 | 沈阳航空航天大学 | 一种情报推送方法、装置及存储设备、程序 |
| CN111432003A (zh) * | 2020-03-27 | 2020-07-17 | 尹兵 | 应用于云计算的数据推送方法、装置、电子设备及系统 |
| CN114098515B (zh) * | 2020-08-26 | 2022-11-25 | 宁波方太厨具有限公司 | 一种清洁机器人的清洁策略控制方法及清洁机器人 |
| CN114098515A (zh) * | 2020-08-26 | 2022-03-01 | 宁波方太厨具有限公司 | 一种清洁机器人的清洁策略控制方法及清洁机器人 |
| CN112507230A (zh) * | 2020-12-16 | 2021-03-16 | 平安银行股份有限公司 | 基于浏览器的网页推荐方法、装置、电子设备及存储介质 |
| CN112507230B (zh) * | 2020-12-16 | 2024-05-17 | 平安银行股份有限公司 | 基于浏览器的网页推荐方法、装置、电子设备及存储介质 |
| WO2023130837A1 (zh) * | 2022-01-10 | 2023-07-13 | 华南理工大学 | 面向科研应用的自动机器学习实现方法、平台及装置 |
| CN114048389B (zh) * | 2022-01-11 | 2022-04-19 | 山东捷瑞数字科技股份有限公司 | 一种面向工程机械行业的内容推荐方法及系统 |
| CN114048389A (zh) * | 2022-01-11 | 2022-02-15 | 山东捷瑞数字科技股份有限公司 | 一种面向工程机械行业的内容推荐方法及系统 |
| CN114417174A (zh) * | 2022-03-23 | 2022-04-29 | 腾讯科技（深圳）有限公司 | 内容推荐方法、装置、设备及计算机存储介质 |
| CN114579872A (zh) * | 2022-05-09 | 2022-06-03 | 达而观数据(成都)有限公司 | 一种引入用户喜好序列分析的用户协同过滤推荐方法 |
| CN116595142A (zh) * | 2023-05-19 | 2023-08-15 | 大安健康科技(北京)有限公司 | 基于医疗语义分析的检索匹配方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110399563A (zh) | 一种基于用户行为分析的偏好模型及个性化信息主动推荐方法 | |
| CN103678518B (zh) | 一种推荐列表调整方法和装置 | |
| CN102929928B (zh) | 基于多维相似度的个性化新闻推荐方法 | |
| CN103377250B (zh) | 基于邻域的top‑k推荐方法 | |
| CN104662529B (zh) | 用于高性能分析的数据精炼引擎的系统和方法 | |
| CN102033883B (zh) | 一种提高网站数据传输速度的方法、装置及系统 | |
| CN107203518A (zh) | 在线系统个性化推荐的方法、系统以及装置、电子设备 | |
| CA3066941A1 (en) | Method and apparatus for obtaining recommendation information, and electronic device | |
| CN103914743B (zh) | 一种基于自回归模型的在线连载内容流行度预测方法 | |
| CN105791085B (zh) | 在位置社交网络中基于位置与时间的好友推荐方法 | |
| CN108550068A (zh) | 一种基于用户行为分析的个性化商品推荐方法及系统 | |
| CN101482884A (zh) | 一种基于用户偏好评分分布的协作推荐系统 | |
| CN106503015A (zh) | 一种构建用户画像的方法 | |
| CN105975472A (zh) | 一种推荐方法和装置 | |
| CN105488233A (zh) | 阅读信息推荐方法和系统 | |
| CN104809632A (zh) | 一种基于模板的动态广告的生成方法和装置 | |
| CN101999133A (zh) | 广告显示方法、广告显示系统及广告显示程序 | |
| CN112258260A (zh) | 基于用户特征的页面展示方法、装置、介质及电子设备 | |
| CN102314654B (zh) | 一种信息推送方法及信息推送服务器 | |
| CN104679771A (zh) | 一种个性化数据搜索方法和装置 | |
| CN107729361A (zh) | 自动合成图片推送方法、装置及存储介质 | |
| CN107292648A (zh) | 一种用户行为分析方法及装置 | |
| CN109509039A (zh) | 价格预测模型的建立方法及系统、商品推荐方法及系统 | |
| CN108595493A (zh) | 媒体内容的推送方法和装置、存储介质、电子装置 | |
| CN107180078A (zh) | 一种基于用户兴趣学习的垂直搜索方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191101 |